CN115617606A - 设备监测方法和系统、电子设备、存储介质 - Google Patents
设备监测方法和系统、电子设备、存储介质 Download PDFInfo
- Publication number
- CN115617606A CN115617606A CN202211215947.5A CN202211215947A CN115617606A CN 115617606 A CN115617606 A CN 115617606A CN 202211215947 A CN202211215947 A CN 202211215947A CN 115617606 A CN115617606 A CN 115617606A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- analyzed
- risk
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/324—Display of status information
- G06F11/327—Alarm or error message display
Abstract
本申请涉及一种设备监测方法和系统、电子设备、存储介质,其中,该方法包括:按照当前数据获取方式,获取目标设备的当前待分析数据,其中,当前待分析数据是对目标设备采集得到的目标数据类型的数据;利用目标决策模型对当前待分析数据进行分析,得到目标监测结果,其中,目标决策模型用于对目标数据类型的数据进行分析得到目标监测类型的监测结果;确定出与目标监测结果对应的目标数据获取方式,通过目标数据获取方式对当前数据获取方式进行更新,得到更新后数据获取方式;按照更新后数据获取方式获取最新待分析数据,并继续对目标设备进行监测。本申请解决了相关技术中设备监测系统无法自动优化数据获取方式的技术问题。
Description
技术领域
本申请涉及云计算技术领域,尤其涉及一种设备监测方法和系统、电子设备、存储介质。
背景技术
随着新一轮科技革命和产业变革快速发展,工业经济由数字化向网络化、智能化深度拓展,互联网创新发展与新工业革命形成历史性交汇,催生了工业互联网。工业领域的大型关键设备价值高,结构复杂,维护成本高,一旦发生故障,损失惨重。目前,相关技术中通过在线监测系统,可进行设备故障识别、预测性维护。在线监测系统通过按照一定频率获取边缘采集设备采集得到的设备数据,根据设备数据进行设备健康状态评估与故障识别。相关技术中的设备数据的获取频率、传输方式是固定工作参数,一经设定即在运行过程中无法修改,但被监测设备的设备情况各不相同,如果数据获取的频率设定过高则会造成内存算力的浪费,而设定过低则会不利于数据分析和故障诊断。相关技术中的设备监测系统无法自动优化数据获取方式,监测能力较差。
针对上述相关技术中的设备监测系统无法自动优化数据获取方式的问题,目前尚未提出有效的解决方案。
发明内容
本申请提供了一种设备监测方法和系统、电子设备、存储介质,以至少解决相关技术中的设备监测系统无法自动优化数据获取方式的技术问题。
根据本申请实施例的一个方面,提供了一种设备监测方法,包括:按照当前数据获取方式,获取目标设备的当前待分析数据,其中,当前待分析数据是对目标设备采集得到的目标数据类型的数据;利用目标决策模型对当前待分析数据进行分析,得到目标监测结果,其中,目标决策模型用于对目标数据类型的数据进行分析得到目标监测类型的监测结果;确定出与目标监测结果对应的目标数据获取方式,通过目标数据获取方式对当前数据获取方式进行更新,得到更新后数据获取方式;按照更新后数据获取方式获取最新待分析数据,并继续对目标设备进行监测。
根据本申请实施例的另一方面,还提供了一种设备监测系统,包括采集终端和算法决策端:采集终端,用于对目标设备采集得到目标数据类型的待分析数据;算法决策端,用于按照当前数据获取方式,从采集终端获取当前待分析数据,其中,当前待分析数据是采集终端对目标设备采集得到的目标数据类型的数据;利用目标决策模型对当前待分析数据进行分析,得到目标监测结果,其中,目标决策模型用于对目标数据类型的数据进行分析得到目标监测类型的监测结果;确定出与目标监测结果对应的目标数据获取方式,通过目标数据获取方式对当前数据获取方式进行更新,得到更新后数据获取方式;按照更新后数据获取方式从采集终端获取最新待分析数据,并继续对目标设备进行监测。
根据本申请实施例的另一方面,还提供了一种存储介质,该存储介质包括存储的程序,程序运行时执行上述的方法。
根据本申请实施例的另一方面,还提供了一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,所述处理器、通信接口和存储器通过通信总线完成相互间的通信;所述存储器,用于存放计算机程序;所述处理器,用于执行所述计算机程序时,实现如前述任一项所述的方法。
根据本申请的一个方面,提供了一种计算机可读存储介质,所述存储介质包括存储的程序,其中,所述程序运行时执行如前任一项所述的方法。
在本申请实施例中,采用按照当前数据获取方式,获取目标设备的当前待分析数据,其中,当前待分析数据是对目标设备采集得到的目标数据类型的数据;利用目标决策模型对当前待分析数据进行分析,得到目标监测结果,其中,目标决策模型用于对目标数据类型的数据进行分析得到目标监测类型的监测结果;确定出与目标监测结果对应的目标数据获取方式,通过目标数据获取方式对当前数据获取方式进行更新,得到更新后数据获取方式;按照更新后数据获取方式获取最新待分析数据,并继续对目标设备进行监测的方式,通过目标决策模型对获取的设备数据进行分析,得到目标设备的实时监测结果,并根据对目标设备的实时监测结果,动态地确定设备数据的获取方式,达到了根据目标设备的当前实际情况自动优化数据获取方式的目的,进而解决了相关技术中的设备监测系统无法自动优化数据获取方式的技术问题,实现了提升设备监测系统的监测能力的技术效果。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的设备监测方法的硬件环境的示意图;
图2是根据本申请实施例的一种可选的设备监测方法的流程图;
图3是根据本申请实施例的一种可选的设备监测系统整体功能及通讯框架示意图;
图4是根据本申请实施例的一种可选的设备监测系统的采集终端与算法决策系统通讯框架示意图;
图5是根据本申请实施例的一种可选的设备监测系统的算法决策系统与算法专家系统通讯框架示意图;
图6是根据本申请实施例的一种可选的设备监测系统的示意图;
图7是根据本申请实施例的另一种可选的设备监测系统的示意图;
图8是根据本申请实施例的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一方面,提供了一种设备监测的方法实施例。
可选地,在本实施例中,上述设备监测方法可以应用于如图1所示的由终端101和服务器103所构成的硬件环境中。如图1所示,服务器103通过网络与终端101进行连接,可用于为终端或终端上安装的客户端提供设备监测服务,可在服务器上或独立于服务器设置数据库105,用于为服务器103提供数据存储服务,上述网络包括但不限于:广域网、城域网或局域网,终端101并不限定于PC、手机、平板电脑等。本申请实施例的设备监测方法可以由服务器103来执行,也可以由终端101来执行,还可以是由服务器103和终端101共同执行。其中,终端101执行本申请实施例的设备监测方法也可以是由安装在其上的客户端来执行。后续以在服务器上执行本申请实施例的一种设备监测方法为例进行说明。
图2是根据本申请实施例的一种可选的设备监测方法的流程图,如图2所示,该方法可以包括以下步骤:
步骤S202,按照当前数据获取方式,获取目标设备的当前待分析数据,其中,当前待分析数据是对目标设备采集得到的目标数据类型的数据;
步骤S204,利用目标决策模型对当前待分析数据进行分析,得到目标监测结果,其中,目标决策模型用于对目标数据类型的数据进行分析得到目标监测类型的监测结果;
步骤S206,确定出与目标监测结果对应的目标数据获取方式,通过目标数据获取方式对当前数据获取方式进行更新,得到更新后数据获取方式;
步骤S208,按照更新后数据获取方式获取最新待分析数据,并继续对目标设备进行监测。
通过上述步骤S202至步骤S208,通过按照当前数据获取方式,获取目标设备的当前待分析数据,其中,当前待分析数据是对目标设备采集得到的目标数据类型的数据;利用目标决策模型对当前待分析数据进行分析,得到目标监测结果,其中,目标决策模型用于对目标数据类型的数据进行分析得到目标监测类型的监测结果;确定出与目标监测结果对应的目标数据获取方式,通过目标数据获取方式对当前数据获取方式进行更新,得到更新后数据获取方式;按照更新后数据获取方式获取最新待分析数据,并继续对目标设备进行监测,可以解决相关技术中的设备监测系统无法自动优化数据获取方式的技术问题,进而达到提升设备监测系统的监测能力的技术效果。
本申请的设备监测方法可适用于多种智能化决策生产场景,包括但不仅限于:设备故障识别预测、设备产能产量预测及设备生产排班、现场配件生命周期及库存量预测等。
在步骤S202提供的技术方案中,服务器按照当前数据获取方式,获取目标设备的当前待分析数据,其中,当前待分析数据是对目标设备采集得到的目标数据类型的数据;
待分析数据是对目标设备采集得到的目标数据类型的数据,可以通过对待分析数据进行分析,得到关于目标设备的设备情况的监测结果。当前待分析数据是指在当前时刻之前未被获取的、用于分析目标设备的设备情况的数据。
目标数据类型是与设备监测的目的相对应的数据类型,例如,设备监测的目的是设备故障识别预测,则目标数据类型为用于设备故障识别的数据类型,如,设备温度数据、设备压力数据、设备震动数据、设备排量数据等。
获取目标设备的当前待分析数据,可以是从采集终端获取,采集终端是指具备硬件传感器(包括但不仅限于:压力、温度、振动、排量、功率等),以及数据采集软件(即按照一定采集频率进行数字信号采集上传的软件系统)的终端。
采集终端用于对目标设备直接采集目标数据类型的数据,采集终端具有的各类传感器安装在目标设备重要易损件附近监测点,通过电源供电,实现各测点各类传感器数据实时采集,并在其软件端通过网络将数据向外发送,可以将数据发送至服务器、其他终端、云端等。采集终端在功能上可以实现通过硬件传感器进行数据采集和通过采集软件进行数字信号解析上传,具体软硬件是否为集成或者单独部署,形式不限。
可选地,在本实施例中,服务器按照当前数据获取方式,获取目标设备的当前待分析数据,可以是按照当前数据获取方式,从采集终端获取目标设备的当前待分析数据。
可选地,在本实施例中,数据获取方式可以包括第一获取方式、第二获取式。第一获取方式为按照第一周期获取数据,第二获取式为按照第二周期获取数据,第二周期短于所述第一周期。
可选地,第一获取方式可以为问答式,问答式为:向采集终端发送获取指令(可以按照时间周期长度T1,等间隔发送获取指令),采集终端响应于获取指令,发送当前待分析数据。问答式的特点:可以降低原始数据量堆积,进行等时间间隔数据采集通讯,采集频率相对较低。
可选地,第二获取式可以为上报式,上报式为:采集终端按照预设频率主动上报当前待分析数据。例如,采集终端可以通过mqtt、文件ftp、tcp、upd等协议将待分析数据,按照时间周期长度T2,等长度等间隔、高速、实时上传至服务器、其他终端、云端等,其中,T2小于T1。上报式的特点:数据零延迟高频率实时采集,保证准确实时捕获数据中的设备故障特征。
可选地,在首次对目标设备的待分析数据进行获取的情况下,可以将第一获取方式作为当前获取方式,即以较低频率进行数据获取,因为在刚刚开始对目标设备进行监测时,目标设备通常还是正常状态,较低频率的数据获取就已经能够满足监测需求了。
数据获取方式的种类和数量不限,获取数据的时间周期可以根据实际需要确定,不同的数据获取方式可以具有不同的时间周期。
数据传输可通过包括但不仅限于Modbus-tcp、EtherNet/IP、7S、scokect、http等协议。
在步骤S204提供的技术方案中,服务器利用目标决策模型对当前待分析数据进行分析,得到目标监测结果,其中,目标决策模型用于对目标数据类型的数据进行分析得到目标监测类型的监测结果。
目标决策模型的种类和形式不限,可以为基于预设规则的判断模型,即白盒分析模型,也可以为基于神经网络的预测模型,即黑盒分析模型,也可以为二者的结合,目标决策模型中可以包含多个模型,以及根据多个模型的分析结果决策得到监测结果的决策规则。例如,对于目标监测类型为故障风险监测的场景,目标决策模型可以为基于目标设备的故障识别规则的模型,也可以为基于神经网络的故障预测模型,也可以为二者的结合。
对于目标监测类型为故障风险监测的场景,白盒分析模型包括但不限于以下三种:A.计算各类信号规定等时间间隔n或者等时间间隔n对应角域等角度间隔原始数据对应的均方误差(有效值)、均值、绝对平方值、方差、标准差、峰值、峰峰值、最大值、最小值、波形指标、脉冲指标、裕度、峭度等,通过设置自定义阈值,生成上述指标时序波动超阈值分级报警;B.基于各测点各类传感器在不同工况下的正常状态运行数据,按照等时间间隔n或者等时间间隔n对应角域等角度间隔进行抽样,堆叠所有样本数据,获得设备各测点不同工况下的正常状态信号分布基准空间,并设置基础空间超出范围阈值或规则,对待测数据故障状态进行识别,分级报警;C.基于专家经验,对指定测点位置的温度、压力、排量等热力学指标,设置设备正常状态的指标数据范围区间或者阈值,根据正常状态数据范围或者阈值判断当前待测设备该信号数据是否超出范围或者阈值存在故障风险,分级报警,例如:柱塞泵减速箱正常工作温度最高110℃,向上最大波动范围不超过20℃,则设置柱塞泵减速箱正常状态下温度区间为[110℃,130℃],根据实际温度是否超出该范围进行故障风险报警提示。
等时间间隔n或者等时间间隔n对应角域等角度间隔:旋转类设备中单时间周期对应单角度周期,即单次运行时间周期内,对应曲轴旋转一周,即0-360°所以该单时间周期可以对应到一个完整角度周期;往复类设备,活塞杆或者拉杆往复运动一个来回对应的单时间周期也就是拉杆连接的曲轴旋转一周的时间,即0-360°。所以单时间周期也是对应一个单角度周期。即所有设备单位时间周期都可以换算到单角度周期上作为分析或者评价的刻度尺。定转速情况下:等角度周期与等时间间隔对应数据长度不变,是固定的;变转速情况下:需要根据不同时间段转速值对应时间点,进行不同转速下,时间间隔截取,即通过转速计算单周期时间长度,然后按照不同转速下单周期时间长度对时域数据进行截断,对不同转速下不同时间长度单周期数据按照0°~360°等角度间隔进行分割即可获得单周期时域数据和对应角度域数据。
堆叠所有样本数据:例如,每个单位时间周期或者单位角度周期内,索引对应0~99,共100个点。将n个单时间周期或者单角度周期数据0~99每一个索引对应的幅值进行求平均值、最大值、3/4分位数、上包络值等统计指标中的一个,连接0~99各索引下的统计指标即可得到信号分布基准空间。
对于目标监测类型为故障风险监测的场景,黑盒分析模型包括但不限于以下两种:A.基于自监督或者无监督神经网络的设备故障识别模型,该类模型网络结构主要以自监督或者无监督神经网络为主,包括但不仅限于AE自编码器、SAE等自编码器变体,其中输入数据进入编码器进行降维特征提取,编码器结果输入解码器进行原数据还原,并通过计算解码结果与输入数据的差异性,通过设置输入与输出数据误差阈值进行设备当前故障风险等级预测,分级预警;B.基于有监督神经网络的设备故障预测模型,该类模型主要网络结构以有监督神经网络为主,包括但不仅限于CNN、RNN、LSTM等有监督神经网络模型及其变体,其中输入数据包括但不仅限于:各类信号等时间间隔或者等角度间隔抽样时域、频域数据或时频域对应的各类特征指标数据(包括但不仅限于均方误差(有效值)、均值、绝对平方值、方差、标准差、峰值、峰峰值、最大值、最小值、波形指标、脉冲指标、裕度、峭度等)、时频图或者时频矩阵等;输出为设备当前风险等级标签,标签类型对应设备风险预警等级即:设备状态正常、设备故障中风险、设备故障高风险。
目标决策模型也可以为白盒分析模型和黑盒分析模型的结合:通过白盒分析模型对当前待分析数据进行分析,得到第一分析结果,其中,白盒分析模型是基于目标设备的故障识别规则的模型,目标决策模型包括白盒分析模型;通过黑盒分析模型对当前待分析数据进行分析,得到第二分析结果,其中,黑盒分析模型是基于神经网络的故障预测模型,目标决策模型包括黑盒分析模型;基于第一分析结果和第二分析结果,以及目标决策规则,得到与当前待分析数据对应的目标监测结果,其中,目标决策模型包括目标决策规则,目标决策规则用于根据目标决策模型中每个分析模型对数据的分析结果确定出监测结果,监测结果用于指示目标设备的故障风险。
目标监测类型包括但不限于以下几种:设备故障风险监测、设备产能产量预测、设备生产排班、现场配件生命周期及库存量预测。
监测结果的形式不限,可以为标签结果、数值结果等。例如,对于设备故障风险监测的场景,监测结果可以为指示目标设备的故障风险程度的标签,如,“设备正常”“设备低风险”“设备中风险”“设备高风险”;监测结果可以为指示目标设备的故障风险程度的数值,数值越高表示故障风险越高。
在步骤S206提供的技术方案中,服务器确定出与目标监测结果对应的目标数据获取方式,通过目标数据获取方式对当前数据获取方式进行更新,得到更新后数据获取方式。
对于设备监测来说,针对目标设备的不同情况,可以采取不同的数据获取方式,以达到更好的监测效果。例如,对于设备故障风险监测的场景,若目标设备当前的故障风险等级为中高风险,则需要以更高的数据获取频率获取数据,准确实时捕获数据中的设备故障特征,以得到更加精准监测结果;若目标设备当前的故障风险等级为零风险或低风险,则无需以较高的数据获取频率获取数据,如果仍以较高的数据获取频率获取数据,可能会导致数据堆积、算力浪费等问题。
服务器可以根据目标监测结果得知目标设备的当前情况,以确定出与当前情况相符的数据获取方式,并按照更新后数据获取方式进行数据获取。例如,目标监测结果指示目标设备的故障风险为高风险,则需要将当前获取方式由周期较长的第一获取方式更新为周期较短的第二获取方式。
在步骤S208提供的技术方案中,服务器按照更新后数据获取方式获取最新待分析数据,并继续对目标设备进行监测。
对目标设备进行监测是指获取目标设备的数据并分析得到监测结果,以及根据监测结果确定数据获取方式的过程,对设备的监测是长期的监测,也是实时的监测,即在监测过程中不断获取最新的待分析数据,不断分析得到待分析数据对应的监测结果,也不断地根据最新的监测结果确定出适应于目标设备的最新情况的数据获取方式。
在更新数据获取方式后,即按照更新后数据获取方式获取最新待分析数据,并利用目标决策模型对最新待分析数据进行分析得到最新监测结果,并根据最新监测结果确定出最新的数据获取方式。
作为一种可选的实施例,目标监测类型为故障风险监测,步骤S206,确定出与目标监测结果对应的目标数据获取方式,还包括如下所述的步骤:
步骤S31,在当前数据获取方式为按照第一周期获取数据的第一获取方式,且目标监测结果指示目标设备的故障风险小于或等于风险下限的情况下,确定出目标数据获取方式为第一获取方式;
步骤S32,在当前数据获取方式为第一获取方式,且目标监测结果指示目标设备的故障风险大于风险下限的情况下,确定出目标数据获取方式为按照第二周期获取数据的第二获取方式,其中,第二周期短于第一周期。
第一获取方式可以为问答式,问答式为:向采集终端发送获取指令(可以按照时间周期长度T1,等间隔发送获取指令),采集终端响应于获取指令,发送当前待分析数据。问答式的特点:可以降低原始数据量堆积,进行等时间间隔数据采集通讯,采集频率相对较低。
第二获取式可以为上报式,上报式为:采集终端按照预设频率主动上报当前待分析数据。例如,采集终端可以通过mqtt、文件ftp、tcp、upd等协议将待分析数据,按照时间周期长度T2,等长度等间隔、高速、实时上传至服务器、其他终端、云端等,其中,T2小于T1。上报式的特点:数据零延迟高频率实时采集,保证准确实时捕获数据中的设备故障特征。
在首次对目标设备的待分析数据进行获取的情况下,可以将第一获取方式作为当前获取方式,即以较低频率进行数据获取,因为在刚刚开始对目标设备进行监测时,目标设备通常还是正常状态,较低频率的数据获取就已经能够满足监测需求了。
在当前数据获取方式为第一获取方式,且目标监测结果指示目标设备的故障风险大于风险下限的情况下,则说明目标设备目前未出现异常,按照原来的较低频率获取数据即可,无需变更数据获取方式,即确定出目标数据获取方式为按照第一周期获取数据的第一获取方式。
在当前数据获取方式为第一获取方式,目标监测结果指示目标设备的故障风险大于风险下限的情况下,则说明目标设备目前开始出现异常,可能有故障,需要高频获取数据,以保证准确实时捕获数据中的设备故障特征,即确定出目标数据获取方式为按照第二周期获取数据的第二获取方式。
默认采用以较低频率获取数据的数据获取方式,当目标监测结果首次指示目标设备的故障风险大于风险下限,则改用以较高频率获取数据的数据获取方式。
可选地,在本实施例中,在步骤S204,利用目标决策模型对当前待分析数据进行分析,得到目标监测结果之后,该方法还包括如下所述的步骤:
步骤S321,在当前数据获取方式为第一获取方式,且目标监测结果指示目标设备的故障风险大于风险下限的情况下,生成指定风险事件,其中,指定风险事件用于指示目标设备的故障风险由小于或等于风险下限转变为大于风险下限。
在当前数据获取方式为第一获取方式,目标监测结果指示目标设备的故障风险大于风险下限的情况下,则说明目标设备目前开始出现异常,可能有故障,需要生成风险事件,并在数据库表中记录该风险事件的相关数据,以便后续进一步判断风险、采取风险控制策略。
在本实施例中,步骤206,确定出与目标监测结果对应的目标数据获取方式,还包括如下所述的步骤:
步骤S322,确定出与目标监测结果对应的目标数据获取方式为第二获取方式,通过目标数据获取方式将当前数据获取方式由第一获取方式更新为第二获取方式。
在当前数据获取方式为第一获取方式,目标监测结果指示目标设备的故障风险大于风险下限的情况下,步骤206即按照步骤S322的方式执行。
在本实施例中,步骤208,按照更新后数据获取方式获取最新待分析数据,并继续对目标设备进行监测,还包括如下所述的步骤:
步骤S323,按照第二获取方式获取最新待分析数据并继续对目标设备进行监测。
在当前数据获取方式为第一获取方式,目标监测结果指示目标设备的故障风险大于风险下限的情况下,步骤208即按照步骤S323的方式执行。
可选地,在本实施例中,步骤323,按照第二获取方式获取最新待分析数据并继续对目标设备进行监测,还包括执行如下所述的循环步骤:
步骤S3231,按照第二获取方式,获取目标设备的最新待分析数据,其中,最新待分析数据是对目标设备采集得到的目标数据类型的数据;
步骤S3232,利用目标决策模型对最新待分析数据进行分析,得到最新监测结果,其中,目标决策模型用于对目标数据类型的数据进行分析得到目标监测类型的监测结果。
在将数据获取方式更新为第二获取方式之后,可以不再在设备监测过程中进行确定数据获取方式的步骤,因为此时目标设备已经出现了异常,即使后续的监测结果指示目标设备正常,也不能排除目标设备的故障风险,因此,需要继续按照第二获取方式进行数据获取。
如果经确认,该目标设备实际上是正常的,那么也可以将数据获取方式由第二获取方式变更为第一获取方式,继续循环执行完整的设备监测步骤,在监测过程中不断获取最新的待分析数据,不断分析得到待分析数据对应的监测结果,也不断地根据最新的监测结果确定出适应于目标设备的最新情况的数据获取方式,按照最新变更后数据获取方式进行后续监测过程中的数据获取。
可选地,在本实施例中,在步骤208,按照更新后数据获取方式获取最新待分析数据之后,该方法还包括如下所述的步骤:
步骤S41,获取与指定时间段内获取的每个最新待分析数据对应的最新监测结果,其中,与每个最新待分析数据对应的最新监测结果是利用目标决策模型对最新待分析数据进行分析得到的;
步骤S42,按照目标监测结果以及最新监测结果,确定出与指定风险事件对应的风险控制策略。
针对目标设备首次出现监测结果指示故障风险大于风险下限的情况,采集终端以上报式为更新后数据获取方式,后续的监测过程中,采集终端以周期长度T等时间间隔上报最新待分析数据至服务器,服务器对每次上报的最新待分析数据进行分析得到与每次上报对应的最新监测结果。
服务器获取指定时间段t内,每一次获取的最新待分析数据对应的最新监测结果,得到t/T个时序的连续监测结果,T为数据获取周期长度。
按照目标监测结果和指定时间段内所有最新监测结果(t/T个时序的连续监测结果),确定出与指定风险事件对应的风险控制策略。监测结果的分级规则和风险控制策略规则确定方式如下所示:
可选地,在本实施例中,在步骤S41,在获取与指定时间段内获取的每个最新待分析数据对应的最新监测结果之后,方法还包括:
步骤S43,将目标监测结果以及最新监测结果,作为指定风险事件的算法评价结果,并将对应于目标监测结果以及最新监测结果的所有目标待分析数据,作为指定风险事件的原始设备数据,存储至历史风险事件库中,其中,目标待分析数据包括当前待分析数据和最新待分析数据;
步骤S44,获取目标对象对指定风险事件进行评价得到的指定评价结果,并将指定评价结果作为指定风险事件的实际评价结果,存储至历史风险事件库,其中,实际评价结果用于指示所对应的风险事件实际认定的故障风险。
服务器可以从专家评价接口获取对风险事件的实际评价结果,实际评价结果是专业人员经过对目标设备的实际检修和专业分析后的得到的人工评价,评价模式不限,可以为选择标签模式,也可以输入评分模式,例如,评价模式为三值单选,即“确实高风险故障”、“确实中风险故障”或“确实设备正常”。
服务器会将每个风险事件的原始设备数据、算法评价结果、实际评价结果进行保存到后台对应数据库表生成历史风险事件记录表,以便后续进行目标决策模型的准确度评估和更新。
可选地,在本实施例中,该方法还包括如下所述的步骤:
步骤S51,从历史风险事件库中获取多个历史事件数据,其中,每个历史事件数据唯一对应于一个历史风险事件,每个历史风险事件对应的历史事件数据包括与每个历史风险事件对应的原始设备数据、算法评价结果以及实际评价结果;
步骤S52,按照每个历史事件数据中的算法评价结果和实际评价结果,确定出目标决策模型的当前准确度;
步骤S53,在目标决策模型的当前准确度低于预设阈值的情况下,根据多个历史事件数据对目标决策模型进行更新,得到更新后的目标决策模型。
目标决策模型的当前准确度=(算法评价结果与实际评价结果相符的历史风险事件数量)/历史风险事件总数量。
可以通过设置目标决策模型准确率阈值α,判断当前模型预测准确率是否满足要求。如果目标决策模型预测准确率小于α,可以对目标决策模型进行调整、更新。
可选地,在本实施例中,步骤S53,根据多个历史事件数据对目标决策模型进行更新,得到更新后的目标决策模型,还包括如下所述的步骤:
步骤S531,对于每个历史事件数据对应的历史风险事件,按照历史事件数据中的实际评价结果,对的历史事件数据中的算法评价结果进行修正,得到历史风险事件的修正评价结果;
步骤S532,基于每个历史风险事件对应的原始设备数据、修正评价结果以及预设准确率,对目标决策模型中的黑盒分析模型进行重训练,得到更新后黑盒分析模型,其中,黑盒分析模型基于神经网络的故障预测模型,用于对待分析数据进行分析得到黑盒分析结果,更新后黑盒分析模型对待分析数据进行分析得到的黑盒分析结果的准确率不低于预设准确率;
步骤S533,基于每个历史风险事件对应的原始设备数据、修正评价结果以及指定准确率,调整白盒分析模型中故障识别规则的判断阈值,得到更新后白盒分析模型,其中,白盒分析模型是目标决策模型中基于故障识别规则的模型,用于根据故障识别规则对待分析数据进行分析得到白盒分析结果,更新后白盒分析模型对待分析数据进行分析得到的白盒分析结果的准确率不低于指定准确率;
步骤S534,基于目标决策模型中的目标决策规则、更新后黑盒分析模型以及更新后白盒分析模型,得到更新后的目标决策模型,其中,目标决策规则用于根据目标决策模型中每个分析模型对数据的分析结果确定出监测结果。
白盒分析模型的更新可以借助领域专家进行人工经验分析,确定白盒分析模型误判根因,并根据专家经验对白盒分析模型阈值进行适当调整修正,使得修正以后的白盒分析模型预测准确率提升至指定准确率。
作为一种可选的实施例,目标监测类型为故障风险监测,步骤S204,利用目标决策模型对当前待分析数据进行分析,得到目标监测结果,还包括如下所述的步骤:
步骤S21,通过白盒分析模型对当前待分析数据进行分析,得到第一分析结果,其中,白盒分析模型是基于目标设备的故障识别规则的模型,目标决策模型包括白盒分析模型;
步骤S22,通过黑盒分析模型对当前待分析数据进行分析,得到第二分析结果,其中,黑盒分析模型是基于神经网络的故障预测模型,目标决策模型包括黑盒分析模型;
步骤S23,基于第一分析结果和第二分析结果,以及目标决策规则,得到与当前待分析数据对应的目标监测结果,其中,目标决策模型包括目标决策规则,目标决策规则用于根据目标决策模型中每个分析模型对数据的分析结果确定出监测结果,监测结果用于指示目标设备的故障风险。
例如,根据白盒分析模型和黑盒分析模型进行双轨混合故障识别,目标决策规则如下所示:
通过双轨混合分析,可以提高监测结果的准确度,更加灵敏地识别出目标设备的故障风险,提升了设备监测系统的监测能力。
作为一种可选的实施例,下文结合具体实施方式示意性的描述本申请的技术方案:
近年来,新一轮科技革命和产业变革快速发展,工业经济由数字化向网络化、智能化深度拓展,互联网创新发展与新工业革命形成历史性交汇,催生了工业互联网。工业领域的大型关键设备价值高,结构复杂,维护成本高,一旦发生故障,损失惨重。通过算法决策系统架构构建的在线监测系统,可进行设备故障识别、预测性维护,不仅降低了设备运维成本,还提高了生产资源的动态配置效率。算法决策系统设置一系列传感器以实时采集设备数据,根据设备运行的历史数据,建立设备的决策算法模型,再利用此算法模型实时计算设备数据,从而进行设备健康状态评估与故障识别。
在线监测系统一般包括三部分模块:边缘采集设备、边缘算法决策系统、云端算法专家系统,在相关技术中三部分模块是独立执行没有关联的。其中边缘采集设备的采集频率、传输方式一经设定完毕后在运行过程中是不可变的,如果采集频率设定过高则会造成内存算力的浪费,而设定过低则会不利于数据分析故障诊断;边缘算法决策系统则集成了大量决策算法进行实时决策,而算法集成完毕后几乎不再升级或者升级困难;云端算法专家系统中的算法一般是分析大量数据后提炼而成,但算法提炼完毕后就不再优化升级或者因为缺少故障数据无法升级,从而导致算法只适应某一设备无法自适应升级。
本实施例提供一种云边结合的算法闭环决策系统架构方法,以及一种分级决策识别设备的风险等级、且决策算法自动闭环升级优化的系统,可联动三部分模块,云边协同工作,动态采集数据,自动升级决策算法。
本实施例可适用于多种智能化决策生产场景,包括但不仅限于:设备故障识别预测、设备产能产量预测及设备生产排班、现场配件生命周期及库存量预测等。
本实施例主要以设备故障识别预测场景为例进行方法阐述。以设备故障预测场景为例,系统包括三部分模块:边缘采集终端、边缘算法决策系统、云端算法专家系统。图3是根据本申请实施例的一种可选的设备监测系统整体功能及通讯框架示意图。设备正常状态下,边缘端系统通过问答方式与采集终端进行通讯,获取并存储原始传感器信号数据;边缘端系统部署白盒类规则模型和黑盒类深度神经网络模型,进行双轨混合故障识别分级预警;边缘端系统根据故障识别预警等级进行与终端数据通讯方式切换;边缘端系统根据实时且持续诊断结果,发送分级控制指令;边缘端pc系统及app设置故障识别模型预测准确率人工评判入口,对风险事件模型预测准确率进行分级评价;边缘端系统将历史故障预警事件、预警事件涉及传感器原始数据及该事件预警准确率人工评判结果,通过网络回传到云端算法专家系统,算法专家系统根据算法历史准确率及预警事件原始数据,重新训练升级模型;云端算法专家系统完成模型升级迭代后,将算法模型远程通过网络传输给边缘端系统,进行模型替换迭代,完成云边结合的全闭环算法决策功能实现。
本实施例所述设备数据采集终端,下称采集终端,指一类具备硬件传感器(包括但不仅限于:压力、温度、振动、排量、功率等),以及数据采集软件(即按照一定采集频率进行数字信号采集上传的软件系统)的终端系统。各类传感器安装在目标设备重要易损件附近监测点,通过电源供电,实现各测点各类传感器数据实时采集,并在其软件端通过网络将数据向外发送。
本实施例所述边缘端算法决策系统,下称算法决策系统,指以白盒和黑盒两类算法模型服务为主体进行设备当前状态故障风险识别的软件系统。该系统输入为从设备数据采集终端获取的各类采集信号原始数据,输出为当前设备采集信号对应测点设备部件的故障风险等级。
在默认状态下,采集终端和算法决策系统之间通过问答方式进行数据通讯,由算法决策系统等时间间隔主动去获取采集终端最新数据,数据传输可通过但不仅限于:Modbus-tcp、EtherNet/IP、7S、scokect、http等协议。
上述算法决策系统,主要包括两部分模型服务即白盒、黑盒算法模型服务程序。
其中,白盒算法模型服务指的是一类故障识别规则算法模型,规则算法模型是指,该类规则算法模型包括但不限于以下三种:
1.计算各类信号规定等时间间隔n或者等时间间隔n对应角域等角度间隔原始数据对应的均方误差(有效值)、均值、绝对平方值、方差、标准差、峰值、峰峰值、最大值、最小值、波形指标、脉冲指标、裕度、峭度等,通过设置自定义阈值,生成上述指标时序波动超阈值分级报警;
2.基于各测点各类传感器在不同工况下的正常状态运行数据,按照等时间间隔n或者等时间间隔n对应角域等角度间隔进行抽样,堆叠所有样本数据,获得设备各测点不同工况下的正常状态信号分布基准空间,并设置基础空间超出范围阈值或规则,对待测数据故障状态进行识别,分级报警;
3.基于专家经验,对指定测点位置的温度、压力、排量等热力学指标,设置设备正常状态的指标数据范围区间或者阈值,根据正常状态数据范围或者阈值判断当前待测设备该信号数据是否超出范围或者阈值存在故障风险,分级报警;
另外,黑盒算法模型服务指的是一类基于深度神经网络的故障识别模型,该类神经网络算法模型包括但不仅限于以下两种:
A.基于自监督或者无监督神经网络的设备故障识别模型,该类模型网络结构主要以自监督或者无监督神经网络为主,包括但不仅限于AE自编码器、SAE等自编码器变体,其中输入数据进入编码器进行降维特征提取,编码器结果输入解码器进行原数据还原,并通过计算解码结果与输入数据的差异性,通过设置输入与输出数据误差阈值进行设备当前故障风险等级预测,分级预警;
B.基于有监督神经网络的设备故障预测模型,该类模型主要网络结构以有监督神经网络为主,包括但不仅限于CNN、RNN、LSTM等有监督神经网络模型及其变体,其中输入数据包括但不仅限于:各类信号等时间间隔或者等角度间隔抽样时域、频域数据或时频域对应的各类特征指标数据(包括但不仅限于均方误差(有效值)、均值、绝对平方值、方差、标准差、峰值、峰峰值、最大值、最小值、波形指标、脉冲指标、裕度、峭度等)、时频图或者时频矩阵等;输出为设备当前风险等级标签,标签类型对应设备风险预警等级即:设备状态正常、设备故障中风险、设备故障高风险。
最后,上述白盒和黑盒模型对当前待测样本数据做出预测后,将白盒模型与黑盒模型按照如下规则生成设备当前风险等级双轨识别结果。
图4是根据本申请实施例的一种可选的设备监测系统的采集终端与算法决策系统通讯框架示意图。算法决策系统根据白盒和黑盒进行双轨混合故障识别,输出设备当前风险等级,该结果数据会通过scokect、http、Modbus-tcp、EtherNet/IP、7S等等通讯协议即时反馈给采集终端,当风险等级为设备故障中风险或高风险时,采集终端会触发数据通讯方式转换指令,将问答式通讯方式转换为主动上报式,采集终端通过mqtt、文件ftp、tcp、upd等等协议将对应中高风险测点原始信号数据,按照时间周期长度T,等长度等间隔、高速、实时发送到算法决策系统。
针对设备首报中、高风险的测点信号数据,采集终端会通过主动上报的方式将信号时域数据发送到算法决策系统,算法决策系统会将风险事件原始数据进行数据库建表存储,并持续t时间段内对每一周期长度为T的实时数据进行双轨故障识别预测,并输出t/T个时序连续预测结果。算法系统会根据连续输出的双轨故障识别预测结果,进行分级决策控制,即不同等级的决策控制命令发送,从而起到主动决策设备运行、检修的目的。控制命令发送主要以短信、移动端APP通知、PC端弹窗、大屏监控端弹窗等形式发出,主要决策控制等级及分级规则如下所示:
算法决策系统会在pc端、移动app等设置故障识别模型预测准确率专家人工评价入口,每次发生风险事件,现场工作人员需要手动确认风险通知或者控制指令是否执行。并在此次风险事件后结合实际检修和专家人工评判结果,评价算法故障识别预测准确性,评价模式为三值单选,即确实高风险故障、确实中风险故障或确实设备正常。算法决策系统会将此次风险事件及专家人工评价结果保存到后台对应数据库表生成历史风险事件记录表。
边缘端算法决策系统定期将历史风险事件记录表和历史风险事件对应的原始测点信号数据通过消息中间件(如emqx、rabbitmq、kafka)或者http接口、文件ftp等等方式传输至云端算法专家系统,下称算法专家系统。算法专家系统是一套算法升级迭代和推送的支持系统,算法专家系统后台数据库存储来自算法决策系统的历史风险事件记录表和历史风险事件对应原始测点信号数据,通过对比历史风险事件风险等级标签和人工评价选项一致性,获得算法模型准确率,即:
算法模型准确率=(风险等级标签与专家人工评价相同的风险事件数量)/历史风险事件总数量
通过设置算法模型准确率阈值α,判断当前模型预测准确率是否满足要求。如果模型预测准确率小于α,算法专家系统可以提供模型重训练功能,过程如下:
A.对历史风险事件风险等级标签根据专家人工评价选项进行修正,即用专家人工评价选项替换历史风险等级标签,完成误预测数据的修正;
B.基于历史风险事件原始测点信号数据以及修正以后的历史风险等级标签,对黑盒模型进行重训练,并根据数据情况设置模型预测精度提升率阈值β,使得重训练的黑盒模型预测准确度提升率大于β,输出完成重训练的黑盒模型;
C.基于历史风险事件进行风险等级标签的源是测点信号数据,借助领域专家进行人工经验分析,确定白盒模型误判根因,并根据专家经验对白盒模型阈值进行适当调整修正,使得修正以后的白盒模型预测准确度提升率大于β,输出完成修正的白盒模型对应阈值;
D.算法专家系统通过远程网络传输将重训练黑盒模型和完成修正的百合白盒模型阈值上传到边缘端算法决策系统,并完成模型更新部署。
图5是根据本申请实施例的一种可选的设备监测系统的算法决策系统与算法专家系统通讯框架示意图。基于上述方法过程即可实现云边结合的设备故障识别算法模型决策及模型闭环修正全过程,同理该方法也可用于其他生产场景,包括但不仅限于:设备故障识别预测、生产设备产能产量预测、现场配件生命周期计算及库存量预测等。
本实施例的优点如下:
1、实现了一种云边结合的以算法模型作为驱动力并能实现全链路闭环升级迭代的决策系统,且适用于众多工业智能化生产应用场景。
2、边缘算法决策系统与信号采集终端之间实现分层分级指令式通讯切换的数据传输方法,设备处于高风险时提高采集传输速率,保证数据的有效性,设备处于低风险时降低速率节省了内存算力,提高了系统稳定性。
3、云端算法专家系统与边缘算法决策系统之间实现基于预测结果准确率的算法模型闭环迭代升级和部署应用。算法自反馈、自适应、自学习,云边结合保证了故障数据最大限度的传输至云端,为算法修正优化提供了数据,优化升级后算法再回转至边缘端,形成闭环算法升级,且不同设备、不同工况可通过此闭环方式升级为最适合的算法。
4、边缘端算法决策系统实现规则类机理白盒算法模型和基于神经网络黑盒算法模型的双轨混合决策分级控制。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
根据本申请实施例的另一个方面,还提供了一种用于实施上述设备监测方法的设备监测系统。图6是根据本申请实施例的一种可选的设备监测系统的示意图,如图6所示,该系统可以包括:
采集终端22,用于对目标设备采集得到目标数据类型的待分析数据;
算法决策端24,用于按照当前数据获取方式,从采集终端获取当前待分析数据,其中,当前待分析数据是采集终端对目标设备采集得到的目标数据类型的数据;利用目标决策模型对当前待分析数据进行分析,得到目标监测结果,其中,目标决策模型用于对目标数据类型的数据进行分析得到目标监测类型的监测结果;确定出与目标监测结果对应的目标数据获取方式,通过目标数据获取方式对当前数据获取方式进行更新,得到更新后数据获取方式;按照更新后数据获取方式从采集终端获取最新待分析数据,并继续对目标设备进行监测。
需要说明的是,该实施例中的算法决策端24可以用于执行本申请实施例中的步骤S202、S204、S206、S208,该实施例中的采集终端22可以用于采集本申请实施例中的步骤S202、步骤S208中的待分析数据。
需要说明的是,上述采集终端22和算法决策端24作为系统的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现。
上述采集终端22和算法决策端24,通过目标决策模型对获取的设备数据进行分析,得到目标设备的实时监测结果,并根据对目标设备的实时监测结果,动态地确定设备数据的获取方式,达到了根据目标设备的当前实际情况自动优化数据获取方式的目的,进而解决了相关技术中的设备监测系统无法自动优化数据获取方式的技术问题,实现了提升设备监测系统的监测能力的技术效果。
作为一种可选的实施例,算法决策端24可以包括:数据获取模块,用于按照当前数据获取方式,从采集终端获取当前待分析数据,其中,当前待分析数据是采集终端对目标设备采集得到的目标数据类型的数据;算法决策模块,用于利用目标决策模型对当前待分析数据进行分析,得到目标监测结果,其中,目标决策模型用于对目标数据类型的数据进行分析得到目标监测类型的监测结果;确定出与目标监测结果对应的目标数据获取方式,获取方式更新模块,用于通过目标数据获取方式对当前数据获取方式进行更新,得到更新后数据获取方式。
需要说明的是,该实施例中的数据获取模块可以用于执行本申请实施例中的步骤S202,该实施例中的算法决策模块可以用于执行本申请实施例中的步骤S204,该实施例中的获取方式更新模块可以用于执行本申请实施例中的步骤S206,该实施例中的数据获取模块、算法决策模块、获取方式更新模块可以用于共同执行本申请实施例中的步骤S208。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为系统的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现。
图7是根据本申请实施例的另一种可选的设备监测系统的示意图,如图7所示,该系统可以包括采集终端22、算法决策端24和算法专家端26。
可选地,在目标监测类型为故障风险监测的情况下,获取方式更新模块,还用于:在当前数据获取方式为按照第一周期获取数据的第一获取方式,且目标监测结果指示目标设备的故障风险小于或等于风险下限的情况下,确定出目标数据获取方式为第一获取方式;在当前数据获取方式为第一获取方式,在目标监测结果指示目标设备的故障风险大于风险下限的情况下,确定出目标数据获取方式为按照第二周期获取数据的第二获取方式,其中,第二周期短于第一周期。
可选地,在利用目标决策模型对当前待分析数据进行分析,得到目标监测结果之后,算法决策端24可以包括事件数据模块,用于:在当前数据获取方式为第一获取方式,且目标监测结果指示目标设备的故障风险大于风险下限的情况下,生成指定风险事件,其中,指定风险事件用于指示目标设备的故障风险由小于或等于风险下限转变为大于风险下限。
可选地,事件数据模块,还用于:在当前获取方式为第一获取方式,更新后数据获取方式为第二获取方式的情况下,在按照更新后数据获取方式获取最新待分析数据之后,获取与指定时间段内获取的每个最新待分析数据对应的最新监测结果,其中,与每个最新待分析数据对应的最新监测结果是利用目标决策模型对最新待分析数据进行分析得到的。
可选地,算法决策端24还可以包括风险策略确定模块,用于:按照目标监测结果以及最新监测结果,确定出与指定风险事件对应的风险控制策略。
可选地,事件数据模块,还用于:将目标监测结果以及最新监测结果,作为指定风险事件的算法评价结果,并将对应于目标监测结果以及最新监测结果的所有目标待分析数据,作为指定风险事件的原始设备数据,存储至历史风险事件库中,其中,目标待分析数据包括当前待分析数据和最新待分析数据;获取目标对象对指定风险事件进行评价得到的指定评价结果,并将指定评价结果作为指定风险事件的实际评价结果,存储至历史风险事件库,其中,实际评价结果用于指示所对应的风险事件实际认定的故障风险。
可选地,该系统还可以包括算法专家端26,包括:历史数据获取模块,用于从历史风险事件库中获取多个历史事件数据,其中,每个历史事件数据唯一对应于一个历史风险事件,每个历史风险事件对应的历史事件数据包括与每个历史风险事件对应的原始设备数据、算法评价结果以及实际评价结果;模型评估模块,用于按照每个历史事件数据中的算法评价结果和实际评价结果,确定出目标决策模型的当前准确度;模型更新模块,用于在目标决策模型的当前准确度低于预设阈值的情况下,根据多个历史事件数据对目标决策模型进行更新,得到更新后的目标决策模型。
可选地,模型更新模块,还用于:对于每个历史事件数据对应的历史风险事件,按照历史事件数据中的实际评价结果,对的历史事件数据中的算法评价结果进行修正,得到历史风险事件的修正评价结果;基于每个历史风险事件对应的原始设备数据、修正评价结果以及预设准确率,对目标决策模型中的黑盒分析模型进行重训练,得到更新后黑盒分析模型,其中,黑盒分析模型基于神经网络的故障预测模型,用于对待分析数据进行分析得到黑盒分析结果,更新后黑盒分析模型对待分析数据进行分析得到的黑盒分析结果的准确率不低于预设准确率;基于每个历史风险事件对应的原始设备数据、修正评价结果以及指定准确率,调整白盒分析模型中故障识别规则的判断阈值,得到更新后白盒分析模型,其中,白盒分析模型是目标决策模型中基于故障识别规则的模型,用于根据故障识别规则对待分析数据进行分析得到白盒分析结果,更新后白盒分析模型对待分析数据进行分析得到的白盒分析结果的准确率不低于指定准确率;基于目标决策模型中的目标决策规则、更新后黑盒分析模型以及更新后白盒分析模型,得到更新后的目标决策模型,其中,目标决策规则用于根据目标决策模型中每个分析模型对数据的分析结果确定出监测结果。
作为一种可选的实施例,在目标监测类型为故障风险监测的情况下,算法决策模块,还用于:通过白盒分析模型对当前待分析数据进行分析,得到第一分析结果,其中,白盒分析模型是基于目标设备的故障识别规则的模型,目标决策模型包括白盒分析模型;通过黑盒分析模型对当前待分析数据进行分析,得到第二分析结果,其中,黑盒分析模型是基于神经网络的故障预测模型,目标决策模型包括黑盒分析模型;基于第一分析结果和第二分析结果,以及目标决策规则,得到与当前待分析数据对应的目标监测结果,其中,目标决策模型包括目标决策规则,目标决策规则用于根据目标决策模型中每个分析模型对数据的分析结果确定出监测结果,监测结果用于指示目标设备的故障风险。
可选地,算法专家端26部署在云端。
可选地,算法决策端24部署在边缘侧。
本实施例实现了一种云边结合的以算法模型作为驱动力并能实现全链路闭环升级迭代的决策系统,且适用于众多工业智能化生产应用场景;算法决策端与采集终端之间实现分层分级指令式数据获取方式切换,设备处于高风险时提高数据获取频率,保证数据的有效性,设备处于低风险时降低数据获取频率,节省了内存算力,提高了系统稳定性;算法专家端与算法决策端之间实现基于预测结果准确率的算法模型闭环迭代升级和部署应用。算法自反馈、自适应、自学习,云边结合保证了故障数据最大限度地传输至云端的算法专家端,为目标决策模型的算法修正优化提供了数据,优化升级后再回传至算法决策端,形成闭环算法升级,且不同设备、不同工况可通过此闭环方式升级为最适合的算法。
根据本申请实施例的另一个方面,还提供一种电子设备,用于实现上述设备监测方法,包括:如图8所示,电子设备可以包括:处理器1501、通信接口1502、存储器1503和通信总线1504,其中,处理器1501,通信接口1502,存储器1503通过通信总线1504完成相互间的通信。
存储器1503,用于存放计算机程序;
处理器1501,用于执行存储器1503上所存放的程序时,实现上述方法实施例的步骤。
上述电子设备提到的总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本领域普通技术人员可以理解,图8所示的结构仅为示意,并不对上述电子设备的结构造成限定。例如,电子设备还可包括比图8中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图8所示不同的配置。
本申请实施例还提供一种计算机可读存储介质,存储介质包括存储的程序,其中,程序运行时执行上述方法实施例的方法步骤。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
采用本申请实施例,提供了一种设备监测的方案。通过目标决策模型对获取的设备数据进行分析,得到目标设备的实时监测结果,并根据对目标设备的实时监测结果,动态地确定设备数据的获取方式,达到了根据目标设备的当前实际情况自动优化数据获取方式的目的,进而解决了相关技术中的设备监测系统无法自动优化数据获取方式的技术问题,实现了提升设备监测系统的监测能力的技术效果。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种设备监测方法,其特征在于,包括:
按照当前数据获取方式,获取目标设备的当前待分析数据,其中,所述当前待分析数据是对所述目标设备采集得到的目标数据类型的数据;
利用目标决策模型对所述当前待分析数据进行分析,得到目标监测结果,其中,所述目标决策模型用于对所述目标数据类型的数据进行分析得到目标监测类型的监测结果;
确定出与所述目标监测结果对应的目标数据获取方式,通过所述目标数据获取方式对所述当前数据获取方式进行更新,得到更新后数据获取方式;
按照所述更新后数据获取方式获取最新待分析数据,并继续对所述目标设备进行监测。
2.根据权利要求1所述的方法,其特征在于,所述目标监测类型为故障风险监测,所述确定出与所述目标监测结果对应的目标数据获取方式,包括:
在所述当前数据获取方式为按照第一周期获取数据的第一获取方式,且所述目标监测结果指示所述目标设备的故障风险小于或等于风险下限的情况下,确定出所述目标数据获取方式为所述第一获取方式;
在所述当前数据获取方式为所述第一获取方式,且所述目标监测结果指示所述目标设备的故障风险大于所述风险下限的情况下,确定出所述目标数据获取方式为按照第二周期获取数据的第二获取方式,其中,所述第二周期短于所述第一周期。
3.根据权利要求2所述的方法,其特征在于,在所述利用目标决策模型对所述当前待分析数据进行分析,得到目标监测结果之后,所述方法还包括:
在所述当前数据获取方式为所述第一获取方式,且所述目标监测结果指示所述目标设备的故障风险大于所述风险下限的情况下,生成指定风险事件,其中,所述指定风险事件用于指示所述目标设备的故障风险由小于或等于所述风险下限转变为大于所述风险下限;
在当前获取方式为所述第一获取方式,所述更新后数据获取方式为所述第二获取方式的情况下,在所述按照所述更新后数据获取方式获取最新待分析数据之后,所述方法还包括:
获取与指定时间段内获取的每个最新待分析数据对应的最新监测结果,其中,与所述每个最新待分析数据对应的最新监测结果是利用所述目标决策模型对所述最新待分析数据进行分析得到的;
按照所述目标监测结果以及所述最新监测结果,确定出与所述指定风险事件对应的风险控制策略。
4.根据权利要求3所述的方法,其特征在于,在所述获取与指定时间段内获取的每个最新待分析数据对应的最新监测结果之后,所述方法还包括:
将所述目标监测结果以及所述最新监测结果,作为所述指定风险事件的算法评价结果,并将对应于所述目标监测结果以及所述最新监测结果的所有目标待分析数据,作为所述指定风险事件的原始设备数据,存储至历史风险事件库中,其中,所述目标待分析数据包括所述当前待分析数据和所述最新待分析数据;
获取目标对象对所述指定风险事件进行评价得到的指定评价结果,并将所述指定评价结果作为所述指定风险事件的实际评价结果,存储至所述历史风险事件库,其中,所述实际评价结果用于指示所对应的风险事件实际认定的故障风险。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
从所述历史风险事件库中获取多个历史事件数据,其中,每个历史事件数据唯一对应于一个历史风险事件,每个历史风险事件对应的历史事件数据包括与所述每个历史风险事件对应的原始设备数据、算法评价结果以及实际评价结果;
按照每个所述历史事件数据中的算法评价结果和实际评价结果,确定出所述目标决策模型的当前准确度;
在所述目标决策模型的当前准确度低于预设阈值的情况下,根据所述多个历史事件数据对所述目标决策模型进行更新,得到更新后的目标决策模型。
6.根据权利要求5所述的方法,其特征在于,所述根据所述多个历史事件数据对所述目标决策模型进行更新,得到更新后的目标决策模型,包括:
对于每个所述历史事件数据对应的历史风险事件,按照所述历史事件数据中的实际评价结果,对所述的历史事件数据中的算法评价结果进行修正,得到所述历史风险事件的修正评价结果;
基于每个所述历史风险事件对应的原始设备数据、修正评价结果以及预设准确率,对所述目标决策模型中的黑盒分析模型进行重训练,得到更新后黑盒分析模型,其中,所述黑盒分析模型基于神经网络的故障预测模型,用于对待分析数据进行分析得到黑盒分析结果,所述更新后黑盒分析模型对待分析数据进行分析得到的黑盒分析结果的准确率不低于所述预设准确率;
基于每个所述历史风险事件对应的原始设备数据、修正评价结果以及指定准确率,调整白盒分析模型中故障识别规则的判断阈值,得到更新后白盒分析模型,其中,所述白盒分析模型是所述目标决策模型中基于故障识别规则的模型,用于根据所述故障识别规则对待分析数据进行分析得到白盒分析结果,所述更新后白盒分析模型对待分析数据进行分析得到的白盒分析结果的准确率不低于所述指定准确率;
基于所述目标决策模型中的目标决策规则、所述更新后黑盒分析模型以及所述更新后白盒分析模型,得到所述更新后的目标决策模型,其中,所述目标决策规则用于根据目标决策模型中每个分析模型对数据的分析结果确定出监测结果。
7.根据权利要求1所述的方法,其特征在于,所述目标监测类型为故障风险监测,所述利用目标决策模型对所述当前待分析数据进行分析,得到目标监测结果,包括:
通过白盒分析模型对所述当前待分析数据进行分析,得到第一分析结果,其中,所述白盒分析模型是基于所述目标设备的故障识别规则的模型,所述目标决策模型包括所述白盒分析模型;
通过黑盒分析模型对所述当前待分析数据进行分析,得到第二分析结果,其中,所述黑盒分析模型是基于神经网络的故障预测模型,所述目标决策模型包括所述黑盒分析模型;
基于所述第一分析结果和所述第二分析结果,以及目标决策规则,得到与所述当前待分析数据对应的目标监测结果,其中,所述目标决策模型包括所述目标决策规则,所述目标决策规则用于根据所述目标决策模型中每个分析模型对数据的分析结果确定出监测结果,所述监测结果用于指示所述目标设备的故障风险。
8.一种设备监测系统,其特征在于,包括采集终端和算法决策端:
所述采集终端,用于对目标设备采集得到目标数据类型的待分析数据;
所述算法决策端,用于按照当前数据获取方式,从所述采集终端获取当前待分析数据,其中,所述当前待分析数据是所述采集终端对所述目标设备采集得到的目标数据类型的数据;利用目标决策模型对所述当前待分析数据进行分析,得到目标监测结果,其中,所述目标决策模型用于对所述目标数据类型的数据进行分析得到目标监测类型的监测结果;确定出与所述目标监测结果对应的目标数据获取方式,通过所述目标数据获取方式对所述当前数据获取方式进行更新,得到更新后数据获取方式;按照所述更新后数据获取方式从所述采集终端获取最新待分析数据,并继续对所述目标设备进行监测。
9.一种电子设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,所述处理器、通信接口和存储器通过通信总线完成相互间的通信;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述计算机程序时,实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211215947.5A CN115617606A (zh) | 2022-09-30 | 2022-09-30 | 设备监测方法和系统、电子设备、存储介质 |
PCT/CN2022/133182 WO2024065988A1 (zh) | 2022-09-30 | 2022-11-21 | 设备监测方法和系统、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211215947.5A CN115617606A (zh) | 2022-09-30 | 2022-09-30 | 设备监测方法和系统、电子设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115617606A true CN115617606A (zh) | 2023-01-17 |
Family
ID=84860793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211215947.5A Pending CN115617606A (zh) | 2022-09-30 | 2022-09-30 | 设备监测方法和系统、电子设备、存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115617606A (zh) |
WO (1) | WO2024065988A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541241A (zh) * | 2023-05-06 | 2023-08-04 | 华东医院 | 基于大数据的术后便携式可穿戴设备运行效率分析系统 |
CN117236704A (zh) * | 2023-11-16 | 2023-12-15 | 中钢集团武汉安全环保研究院有限公司 | 一种钢铁生产线区域动态安全风险评估量化方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105795497A (zh) * | 2016-04-11 | 2016-07-27 | 浙江中烟工业有限责任公司 | 一种提高烘丝机故障分析的数据采集方法 |
CN109947088B (zh) * | 2019-04-17 | 2020-09-08 | 北京天泽智云科技有限公司 | 基于模型全生命周期管理的设备故障预警系统 |
CN111160685A (zh) * | 2019-09-23 | 2020-05-15 | 上海安恪企业管理咨询有限公司 | 一种基于设备综合健康状况分析和管理的维修决策方法 |
CN114095519B (zh) * | 2020-07-19 | 2023-10-24 | 智强通达科技(北京)有限公司 | 油库物联网设备状态监测及自动切换方法 |
CN112907911A (zh) * | 2021-01-19 | 2021-06-04 | 安徽数分智能科技有限公司 | 一种基于设备工艺数据的智能异常识别与报警算法 |
-
2022
- 2022-09-30 CN CN202211215947.5A patent/CN115617606A/zh active Pending
- 2022-11-21 WO PCT/CN2022/133182 patent/WO2024065988A1/zh unknown
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116541241A (zh) * | 2023-05-06 | 2023-08-04 | 华东医院 | 基于大数据的术后便携式可穿戴设备运行效率分析系统 |
CN116541241B (zh) * | 2023-05-06 | 2024-03-15 | 华东医院 | 基于大数据的术后便携式可穿戴设备运行效率分析系统 |
CN117236704A (zh) * | 2023-11-16 | 2023-12-15 | 中钢集团武汉安全环保研究院有限公司 | 一种钢铁生产线区域动态安全风险评估量化方法和装置 |
CN117236704B (zh) * | 2023-11-16 | 2024-02-06 | 中钢集团武汉安全环保研究院有限公司 | 一种钢铁生产线区域动态安全风险评估量化方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2024065988A1 (zh) | 2024-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115617606A (zh) | 设备监测方法和系统、电子设备、存储介质 | |
US11403164B2 (en) | Method and device for determining a performance indicator value for predicting anomalies in a computing infrastructure from values of performance indicators | |
US10402511B2 (en) | System for maintenance recommendation based on performance degradation modeling and monitoring | |
CN112188531B (zh) | 异常检测方法、装置、电子设备及计算机存储介质 | |
CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
US11669083B2 (en) | System and method for proactive repair of sub optimal operation of a machine | |
JP2019527413A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
WO2017139046A1 (en) | System and method for unsupervised root cause analysis of machine failures | |
EP3482266A1 (en) | Computer system and method for monitoring key performance indicators (kpis) online using time series pattern model | |
CN117176560B (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
WO2020242553A1 (en) | Failure prediction using gradient-based sensor identification | |
CN116683588B (zh) | 锂离子电池充放电控制方法及系统 | |
CN111382494A (zh) | 用于检测工业机器的感知数据中的异常的系统及方法 | |
CN110709789A (zh) | 用于监测可再生发电装置或微电网内的子系统的状况的方法和设备 | |
CN116822115A (zh) | 一种基于数字孪生技术的智慧园区的环境管理方法及系统 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
CN117273402B (zh) | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 | |
CN113052302A (zh) | 基于循环神经网络的机器健康监控方法、装置及终端设备 | |
CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
WO2021141674A1 (en) | Customized anomaly detection | |
KR102059112B1 (ko) | 사물 인터넷 스트림 데이터 품질 측정 지표 및 프로파일링 방법 및 그 시스템 | |
CN116248674A (zh) | 一种数据传输方法、装置及系统 | |
CN117473445B (zh) | 基于极限学习机的设备异常分析方法及装置 | |
CN117076260B (zh) | 一种参数及设备异常检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |